원서

2.3 Predicting Ratings with Neighborhood-Based Methods(2) 2.3.1.1 Similarity Function Variants 추천시스템에서 유사도를 구하는 함수들은 다양한 변형이 존재합니다. 이번 파트에서는 이 변형된 함수들을 살펴보려고 합니다. 첫 번째 변형 평균 중심 등급이 아닌 원시 등급(user가 매긴 등급)에 코사인 함수를 사용하는 것입니다. 일부 구현에서는 원시 코사인 함수의 분모 부분에서 정규화 요인이 상호 평가 항목이 아닌 지정된 항목 전체로 변경하는 경우도 있습니다. 실제로는 분모 범위의 차이 뿐이지만 어떤 항목을 기준으로 하는가가 큰 차이라고 생각합니다. 일반적으로 평균 중심 등급의 편향 조정 효과 때문에 원시 코사인보다 피어슨 상관계수가 더..

2.3 Predicting Ratings with Neighborhood-Based Methods 이웃 기반 방법 기본 아이디어 사용자와 사용자 사이의 유사성, 또는 항목과 항목 사이의 유사성을 사용하여 등급 매트릭스에서 추천 항목을 만드는 것입니다. 이웃이라는 개념은 우리가 예측을 하기 위해 비슷한 사용자나 비슷한 아이템을 결정해야 한다는 것을 암시합니다. 이웃 기반 모델 기본원칙 이웃 기반 모델은 특정 사용자-항목 조합의 등급을 예측하는 데에 아래와 같은 두 가지 기본 원칙이 사용됩니다. 1. 사용자 기반 모델 유사한 사용자가 동일한 항목에 대해 비슷한 등급을 가집니다. 철수와 영희가 과거에 비슷한 방식으로 영화에 등급을 매겼다면, 영화 A에서 관찰된 철수의 평점을 이용하여 해당 영화에 대한 영희의 ..

2.2 Key Properties of Ratings Matrices 해당 Section에서 등급 매트릭스는 R로 표시되며, R은 사용자(m)과 n개 item(n)을 포함하는 m x n 매트릭스라고 가정합니다. 여기서 항목 j에 대한 사용자 u의 등급은 $r_{uj}$로 표시합니다. 일반적으로 등급 매트릭스에 있는 항목의 작은 하위 집합만 특정됩니다. 하위 집합으로 특정된 항목을 학습 데이터로, 특정되지 않은 항목을 테스트 데이터라고 합니다. 이런 분류는 분류, 회귀, 반지도 학습 알고리즘에서 유사성을 가집니다. 이러한 경우 지정되지 않은 모든 항목은 클래스 변수 또는 종속 변수로 알려진 특수 열에 속합니다. 따라서 추천 문제는 분류와 회귀의 문제를 일반화한 것으로 볼 수 있습니다. 방식에 따른 평가 등..

2.1 Introduction 메모리 기반 알고리즘이라고도 하는 이웃 기반 협업 필터링 알고리즘은 협업 필터링을 위해 개발된 초기 알고리즘 중 하나 해당 알고리즘은 유사한 사용자가 유사한 등급 동작 패턴을 표시하고 유사한 항목은 유사한 등급을 받는다는 사실에 기초 이웃 기반 알고리즘 두가지 유형 사용자 기반 협업 필터링 유사한 사용자가 대상 사용자 A에 대해 제공하는 등급을 사용하여 A에 대한 권장 사항을 제시 A의 예측 등급은 각 항목에 대한 이러한 "피어 그룹" 등급의 가중 평균 값으로 계산 항목 기반 협업 필터링 대상 항목 B에 대한 권장 사항을 만들기 위해 첫 번째 단계는 항목 B와 가장 유사한 항목 집합 S를 결정하는 것 그런 다음 항목 B에 대한 특정 사용자 A의 등급을 예측하기 위해 A에 의..

1.5 Advanced Topics and Applications 1.5.1 The Cold-Start Problem in Recommender Systems 추천 시스템의 주요 문제 중 하나는 초기에 사용할 수 있는 등급의 수가 상대적으로 적다는 것 이러한 경우 기존의 협업 필터링 모델을 적용하는 것이 어려움 추천 시스템의 맥락에서 콜드 스타트 문제를 개선하기 위해 많은 특정한 방법들이 고안되었음 1.5.2 Attack-Resistant Recommender Systems 추천 시스템의 사용은 다양한 제품 및 서비스 판매에 상당한 영향을 미침 이러한 부분을 이용하여 추천시스템의 출력을 조작하는 경우가 있음 조작의 한 예는 자사 제품에 대한 부풀려진 등급을 추천 시스템에 제출하는 것 조작을 위한 공격은 ..

1.4 Domain-Specific Challenges in Recommender Systems 시간 데이터, 위치 기반 데이터 및 소셜 데이터와 같은 서로 다른 도메인에서 권장 사항의 컨텍스트가 중요한 역할 상황별 추천 시스템의 개념은 이러한 도메인에서 발생하는 추가 측면 정보를 다루기 위해 개발 이 개념은 임시 데이터, 위치 데이터 또는 소셜 데이터와 같은 다양한 유형의 데이터에 대해 서로 다른 수정과 함께 사용 1.4.1 Context-Based Recommender Systems 컨텍스트 기반 또는 컨텍스트 인식 추천시스템은 다양한 유형의 컨텍스트 정보를 고려하는 동시에 추천항목을 제시 컨텍스트는 뭘까요? RightBrain lab - 라이트브레인 블로그 상황별 정보에는 시간, 위치 또는 소셜 데..